Bab ini akan memperkenalkan Anda pada NLP, beberapa kasus penggunaannya seperti named-entity recognition dan chatbot berbasis AI. Anda akan mempelajari cara menggunakan pustaka spaCy yang andal untuk menjalankan berbagai tugas pemrosesan bahasa alami seperti tokenization, segmentasi kalimat, penandaan POS, dan named entity recognition.

Dasar-dasar Natural Language Processing (NLP)

Kontainer Doc di spaCy

Contoh penggunaan NER

Tokenisasi dengan spaCy

Dasar-dasar spaCy

Menjalankan pipeline spaCy

Lematisasi dengan spaCy

Segmentasi kalimat dengan spaCy

Fitur linguistik di spaCy

POS tagging dengan spaCy

NER dengan spaCy

Pemrosesan teks dengan spaCy

Pendahuluan ke NLP dan spaCy

Pelajari fitur linguistik, word vector, kemiripan semantik, analogi, dan operasi pada word vector. Di bab ini Anda akan menemukan cara menggunakan spaCy untuk mengekstrak word vector, mengkategorikan teks yang relevan dengan suatu topik, serta menemukan istilah yang secara semantik mirip dengan kata tertentu dari korpus atau dari kosakata model spaCy.

Fitur linguistik

Opsi

POS tagging

Dependency parsing

Named-entity recognition

Anotasi linguistik di spaCy

Disambiguasi makna kata dengan spaCy

Dependency parsing dengan spaCy

Pengantar word vector

Kosakata spaCy

Vektor kata dalam kosakata spaCy

Vektor kata dan spaCy

airplane - air + ship = ?

fish - sea + bird = ?

arm - human + branch = ?

Analogi dan operasi vektor

Proyeksi word vectors

Kata-kata serupa dalam sebuah kosakata

Mengukur kesamaan semantik dengan spaCy

Kesamaan Doc dengan spaCy

Kemiripan Span dengan spaCy

Kemiripan semantik untuk mengategorikan teks

Anotasi Linguistik spaCy dan Word Vector

Kenali komponen pipeline spaCy, cara menambahkan komponen pipeline, dan menganalisis pipeline NLP. Anda juga akan mempelajari berbagai pendekatan untuk ekstraksi informasi berbasis aturan menggunakan kelas EntityRuler, Matcher, dan PhraseMatcher di spaCy serta paket Python RegEx.

Pipeline spaCy

Menambahkan pipe di spaCy

Menganalisis pipeline di spaCy

spaCy EntityRuler

EntityRuler dengan model spaCy kosong

EntityRuler untuk NER

EntityRuler dengan multi-pattern di spaCy

RegEx dengan spaCy

RegEx di Python

RegEx dengan EntityRuler di spaCy

spaCy Matcher dan PhraseMatcher

Mencocokkan satu istilah di spaCy

PhraseMatcher di spaCy

Pencocokan dengan sintaks diperluas di spaCy

Analisis Data dengan spaCy

Jelajahi berbagai kasus dunia nyata ketika model spaCy mungkin gagal dan pelajari cara melatihnya lebih lanjut untuk meningkatkan kinerja model. Anda akan diperkenalkan pada langkah-langkah pelatihan spaCy dan memahami cara melatih model spaCy yang ada atau dari awal, serta mengevaluasi model pada saat inferensi.

Kustomisasi model spaCy

Melatih model spaCy

Kinerja model pada data Anda

Format data pelatihan spaCy

Langkah-langkah pelatihan

Anotasi dan menyiapkan data pelatihan

Data pelatihan yang kompatibel

Pelatihan dengan spaCy

Langkah persiapan pelatihan

Latih model NER yang sudah ada

Melatih model spaCy dari awal

Ringkasan

Kustomisasi Model spaCy

corona.json

Pelajari spaCy, pustaka NLP standar industri yang berkembang pesat, untuk tugas seperti tokenization, parsing, dan named entity recognition. Kuasai operasi inti, gunakan kelas seperti Doc dan Token, serta latih model. Ekstrak istilah dengan pencocokan pola, buat komponen pipeline kustom, dan tangani contoh dunia nyata untuk proyek NLP Anda.


<h2>Kenalkan spaCy, standar industri untuk Pemrosesan Bahasa Alami (NLP).</h2>
Dalam kursus ini, Anda akan belajar cara menggunakan spaCy, perpustakaan standar industri yang berkembang pesat, untuk melakukan berbagai tugas pemrosesan bahasa alami (NLP) seperti tokenisasi, pemisahan kalimat, parsing, dan pengenalan entitas bernama. spaCy dapat menyediakan fitur-fitur yang kuat, mudah digunakan, dan siap untuk produksi dalam berbagai tugas pemrosesan bahasa alami.

<h2>Pelajari Operasi Dasar spaCy</h2>
Anda akan memulai dengan mempelajari operasi inti spaCy dan cara menggunakannya untuk memproses teks dan mengekstrak informasi dari data yang tidak terstruktur. Kemudian, Anda akan bekerja dengan kelas-kelas spaCy, seperti Doc, Span, dan Token, serta mempelajari cara menggunakan berbagai komponen spaCy untuk menghitung vektor kata dan memprediksi kesamaan semantik.

<h2>Latih Model spaCy dan Pelajari Tentang Pencocokan Pola</h2>
Anda akan berlatih menulis pola pencocokan sederhana dan kompleks untuk mengekstrak istilah dan frasa yang diberikan menggunakan EntityRuler, Matcher, dan PhraseMatcher dari data yang tidak terstruktur. Anda juga akan belajar cara membuat komponen pipeline kustom dan membuat data pelatihan/evaluasi. Dari sana, Anda akan mempelajari cara melatih model spaCy dan bagaimana menggunakannya untuk inferensi. Selama kursus ini, Anda akan bekerja dengan contoh-contoh nyata dan memperkuat pemahaman Anda tentang penggunaan spaCy dalam proyek NLP Anda sendiri.


Supervised Learning with scikit-learn

Python Toolbox

Kuasi operasi inti spaCy dan latih model NLP. Ekstrak info dari data tak terstruktur dan cocokkan pola.

Pemrosesan Bahasa Alami dengan spaCy

Kuasai operasi inti spaCy dan latih model untuk pemrosesan bahasa alami. Ekstrak informasi dari data tidak terstruktur dan cocokkan pola.

Fitur linguistik

Create Your Free Account